Introducción a R con RStudio

M ATERIAL EXTRA

¿Q UÉ ES R Y RS TUDIO ?, PRIMEROS
PASOS E IMPORTACIÓN DE DATOS

Material práctico

Autor:
Econ. Alexis Adonai Morales Alberto

2023
ÍNDICE

Índice

¿Qué es R? 4

¿Qué es RStudio? 5

¿De donde se puede descargar R y Rstudio? 6

Iniciando en R y RStudio 8
R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

¿Cómo se crea un proyecto en RStudio? 9

¿Cómo se crea un Script? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

¿Cómo instalar y nombrar una paquetería? 13

Tipo de operaciones 14
Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Multiplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
División . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Variables 15

Vectores 16
Extraer un elemento de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Matrices 17
Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Operaciones de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Multiplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Transposición, determinante e inversa de una matriz . . . . . . . . . . . . . . . . 20
Transpocisón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

Econ. Morales Alberto Alexis Adonai 1

ÍNDICE

Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Marco de datos “data frame” 22

¿Cómo se pueden extraer los elementos? . . . . . . . . . . . . . . . . . . . . . . 23

Listas 23

Carga de bases de datos desde archivos 25

Preparación para importar y exportar datos 25

setwd() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Almacenando la base dentro de un proyecto . . . . . . . . . . . . . . . . . . . . 26

Importación de datos 28
Comando read.delim(“clipboard”) . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Lectura de archivos CSV. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Cargando bases CSV con el espacio previamente establecido . . . . . . . 30
Uso de botonera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Lectura de archivos DTA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Cargando bases DTA con el espacio previamente establecido . . . . . . . . 32
Uso de botonera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Lectura de archivos SPSS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Cargando bases SAV (SPSS) con el espacio previamente establecido . . . 35
Uso de botonera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Lectura de archivos EXCEL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Librería readxl. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Librería openxlsx. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Lectura de archivos DBF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Cargando bases DBF con el espacio previamente establecido . . . . . . . 39

Exportación de datos 39
Creado data.frame para la elaboración de ejemplos . . . . . . . . . . . . . . . . 40
Exportar en salida .csv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Econ. Morales Alberto Alexis Adonai 2

ÍNDICE

Exportar en salida .DTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Exportar en salida .SAV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Exportar en salida .RData . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Econ. Morales Alberto Alexis Adonai 3

¿Qué es R?

R es un lenguaje estadístico computacional, aunque también esta catalogado como de

programación. Nació como una reimplementación del software de lenguaje libre S.
Apareció en 1993 en Austria y hoy en día es una herramienta utilizada por estudiosos de
la estadística, economía, actuaría, matemáticas, biología y todas esas áreas que requie-
ran del análisis de datos.

Figura 1: Logo de R-project

Su implementación es diversa, desde realizar gráficos simples, como modelos de predic-

ción, cartografia o simple análisis estadistico (ya sea descriptivo o inferencial).

Figura 2: Ejemplo 1

Econ. Morales Alberto Alexis Adonai 4

¿Qué es RStudio?

RStudio es un entorno o interfaz de desarrollo integrado para el lenguaje de programación

de R, dedicado a la computación estadística, gráficos y reportes. En el mismo, se incluye
una consola, editor de sintaxis y algunos espacios para visualizar los gráficos, utilerias y
herramientas de R.
Fue lanzado por primera vez como software libre en Febrero del 2011 por Joseph J.
Allaire mediante una estructura de Java, C++ y JavaScript.

Figura 3: Logo de RStudio

Su uso es dinámico, puesto a que aparte de poder enlazar el languaje de R, se pueden

elaborar reportes mediante LaTex y la asociación de otros programas de computo, tales
como Python 3. Es por ello que es una interfaz que ha cobrado mucho uso en diferentes
áreas de estudio.

Figura 4: Ejemplo 2

Econ. Morales Alberto Alexis Adonai 5

¿De donde se puede descargar R y Rstudio?

Para descagar R-project debes de ingresar a la siguuiente dirección: https://cloud.r-

project.org/ donde ahí tendrás tres opciones para diferentes sistemas operativos: Linux,
macOS y Windows.

Figura 5: Descargas para diferentes S.O.

En nuestro caso seleccionaremos Windows, posteior a ello, tendremos una ventana como
la siguiente:

Figura 6: Descarga para Windows

Posteior a ello, seleccionamos install R for the first time y en automático comenzará la
descarga del archivo .exe con el cual podrás instalar el lenguaje de R.
Para descargar RStudio nos dirigimos al siguinte enlace: https://www.rstudio.com/
products/rstudio/ donde podremos encontrar la página que enlazará con el descargador
de RStudio de codigo abierto.
Dando click en la casilla de RStudio para escritorio, tendremos 4 opciones, la cual nos
indicará las diferentes versiones y licencias de este software. La que se tendrá que elegir
es la versión gratuita de RStudio Desktop y posterior a ello descargará el ejecutable
para Windows, macOS o Linux.

Econ. Morales Alberto Alexis Adonai 6

 Figura 7: Descarga de RStuido para escritorio

Figura 8: Versiones de RStudio

Econ. Morales Alberto Alexis Adonai 7

Iniciando en R y RStudio

En esta sección podrás encontrar todo lo relacionado con los primeros pasos de R y
RStudio, dividos en dos subtemas, en los cuales se harán diversas explicaciones del uso
de este lenguaje.

Una vez instalado R, al ejecutarlo encontrarás un interfaz muy similar a lo que es CMD
o símbolo de sistema, en el cual solo se pueden ejecutar códigos del propio lenguaje,
sin poder elaborar algún archivo de memoria o de serie de comandos que se puedan
ejecutar automáticamente, es por ello que R suele ser un poco tedioso, ya que solo se
puede escribir una vez el código y si este resulta estar mal, tendrás que regresar y ver si
permite corregir dicho código, o en su defecto, reescribir el código.

Figura 9: Consola de R

RStudio

RStudio tiene una facilidad de manejo, puesto a que su interfaz permite una interacción
más eficiente para administrar el trabajo, pues la pantalla se divide en diversos espacios,
los cuales son:

• Script: Es un archvio con la extensión .R en el cual contiene lineas de comando,

en el cual se pueden escribir diversas instrucciones y ejecutar, pero que permite la

Econ. Morales Alberto Alexis Adonai 8

 corrección imediata del código sin necesidad de regresarse o de reescribir todo el
código.
• Objetos: Es un espacio donde se podrán visualizar diversos objetos, tales como:
Dataframe, vectores de valores, series de tiempo, objetos de clase, logicos, etc.
• Consola: Espacio donde se refleja el proceso de ejecución de los comandos del
lenguaje, es decir, es tal cual la interfaz que se visualiza en R.
• Archivos, gráficos, paquetes y ayuda: Es una espacio donde se pueden visualizar
los archivos de donde se enruta el espacio de trabajo, también se reflejan los grá-
ficos una vez ejecutados, además podemos observar si las paqueterias instaladas
estan en funcionamiento o simplemente no estan instaladas y por último, la ventana
de ayuda, visualiza la estructura o documentos de los comandos o paqueterias de
R.

Figura 10: Interfaz de RStudio

¿Cómo se crea un proyecto en RStudio?

Para poder elaborar un proyecto, en el cual se incluyan archivos .R (Script), bases de
datos con extensiones .xlsx, .dta, .csv o imagenes (.png) se requiere la siguinte ruta de
RStudio. Para ello nos vamos a “File > New project”:
Posteior a ello, se elegirá “New Directory > New Project”, donde nombraremos el di-
rectorio y enrutaremos a una carpeta donde solo contendrá el proyecto (lo anteior para
facilidad de manipulación).

Econ. Morales Alberto Alexis Adonai 9

 Figura 11: Nuevo proyecto

Econ. Morales Alberto Alexis Adonai 10

 Figura 12: Nombramiento y enrutamiento del proyecto

Econ. Morales Alberto Alexis Adonai 11

¿Cómo se crea un Script?

¿Cómo se crea un Script?

Una vez ya elaborado el proyecto, tendremos la siguiente visualización:

Figura 13: Proyecto nuevo

Después solo se presionará ctrl + shift + N y desplegará una ventana nueva con el Script:

Figura 14: Nuevo script

Finalmente para ejecutar una linera de código, debes posicionarte al final del comando y
presionar ctrl + enter.

Econ. Morales Alberto Alexis Adonai 12

¿Cómo instalar y nombrar una paquetería?

Para instalar una paqueteria en R, solo se debe seguir el siguiente comando (la libreria
tseries es un ejemplo):

# install.packages("tseries", dependencies = TRUE)

# sirve como comentario, para replicarlo,

# escribe en el script sin este simbolo "#"

El comando se divide en: install.packages(“libreria a elegir o instalar”, dependen-

cies=TRUE) donde dependencies equivale al repositorio que empata la versión compa-
tible de la paqueteria con al versión de R.
De igual manera para instalar varias paqueterias en una sola linea se necesita crear un
vector con los nombres de las paqueterias para posteriormente instalarlas, por ejemplo:

# paquetes<-c("ggplot2", "dplyr")
# install.packages(paquetes, dependencies=TRUE)

Para llamar una liberia se utiliza lo siguiente:

library(tseries)

Pero de igualmanera, podemos llamar diversas liberías de forma simultanea con la ayuda
de libraries que se encuentra en la libreria easypackages:

library(easypackages)

paquetes <- c("tidyverse", "urca")

libraries(paquetes)

Por último, podemos llamar funciones sin la necesidad de cargar la paqueteria completa,
para ello utilizamos dobles puntos (::) , pero la estructura es: paquete::función, tal como
se mostrará a continuación.

x<-seq(1,20,1)

urca::summary(x)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 1.00 5.75 10.50 10.50 15.25 20.00

Econ. Morales Alberto Alexis Adonai 13

Tipo de operaciones

En R existen diversas operaciones, tales como: Suma, resta, multiplicación y división.

Además de otro tipo de funciones así como valores lógicos o de carácteres.

Suma

Para realizar una suma, es muy sencillo, simplemente se debe ocupar el operador “+” y
con ello se ejecuta la suma, por ejemplo:

5+2

## [1] 7

10+16

## [1] 26

1256+2378

## [1] 3634

Resta

Para realiazar una resta, solo se tiene que utilizar el simbolo “-” para indicar la operación,
por ejemplo:

5-2

## [1] 3

15-34

## [1] -19

9873-3091

## [1] 6782

Econ. Morales Alberto Alexis Adonai 14

Multiplicación

Multiplicación

Cuando se requiere efectuar una mutiplicación, es necesario utilizar el símbolo **“*“**,

con ello se puede realizar la operación, por ejemplo:

6*12

## [1] 72

10*10

## [1] 100

35*89

## [1] 3115

Sin embargo cuando se trata de matrices, el operador cambia a _“%*%“_.

División

Por último, para poder operar una división solo basta con utilizar “/”, ejemplo:

100/10

## [1] 10

25/195

## [1] 0.1282051

1/3

## [1] 0.3333333

Variables
Dentro de R, existen diversos tipos de objetos, los cuales son diversos. Pero también se
pueden asignar variables, donde se otorga un valor a una letra o nombre en especifico,
para realizar lo anterior se utiliza el operador <-, por ejemplo:

Econ. Morales Alberto Alexis Adonai 15

# Variables númericas

x<-67

## [1] 67

5*x-43

## [1] 292

# Variables cualitativas

pais<-"Mexico"
pais

## [1] "Mexico"

Vectores

Este tipo de datos, son arreglos ordenados en los cuales se puede almacenar información
de tipo númerico (variables cuantitativas), alfanúmerico (variables cualitativa) o un valor
lógico (Falso y verdadero ó TRUE y FALSE), pero que no son mezclas de estos. En R,
para poder crear dicho vector, se utiliza el símbolo c() y que significa concatenar.
Esta función almacena la información de forma vectorial, por ende se acostumbra a eti-
quetarlo con un nombre corto y repreentativo del tipo de datos que contiene, ejemplo:

edad<-c(25,40,39,46,10,11,14,23,43)
deporte<-c(TRUE, TRUE, FALSE, FALSE, TRUE, TRUE, TRUE,
FALSE, FALSE)
comic_fav<-c(NA,"Superman", "Batman", NA, "Shazam",
"Batman", "Superman", NA, "GreenLanter")

edad

## [1] 25 40 39 46 10 11 14 23 43

Econ. Morales Alberto Alexis Adonai 16

Extraer un elemento de un vector

deporte

## [1] TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE FALSE

comic_fav

## [1] NA "Superman" "Batman" NA "Shazam"

## [6] "Batman" "Superman" NA "GreenLanter"

Extraer un elemento de un vector

Para extraer un dato que se encuentre dentro de un vector, se hace uso del corchete “[]”
y dentro del mismo solo se coloa la posición en donde se encuenntra el dato, ejemplo:

edad[5]

## [1] 10

En el ejemplo anterior se observa que el dato número 5, el valor es de 10.

Ahora, si deseamos encontrar el dato número 2 y 9 del vector comic_fav solo tenemos
que utilizar [c(2,8)] para realizar esta busqueda, ejemplo:

comic_fav[c(2,9)]

## [1] "Superman" "GreenLanter"

Por último, si se busca exceptuar un dato dentro de un vector solo se debe poner el valor
como [-a] donde a es la posición del dato a omitir, ejemplo:

deporte[-5]

## [1] TRUE TRUE FALSE FALSE TRUE TRUE FALSE FALSE

Matrices

Las matrices son arreglos rectangulares de filas y columnas con información númerica,
alfanúmerica o lógica. Para crear unaa matriz, se utiliza la función matriz().

Econ. Morales Alberto Alexis Adonai 17

Ejemplos

Ejemplos

Vamos a contruir diversas matrices, con la finalidad de demostrar que hay diferentes
maneras de declarar una matriz.
Para crear una matriz cuadrada:

matriz1<-matrix(c(11,21,31,12,22,32,13,23,33), nrow = 3, ncol = 3)

matriz1

## [,1] [,2] [,3]

## [1,] 11 12 13
## [2,] 21 22 23
## [3,] 31 32 33

Para crear una matriz cuadrada de números consecutivos

matriz2<-matrix(1:9, nrow=3, ncol=3)

matriz2

## [,1] [,2] [,3]

## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9

Otra forma de plantear matrices, es mediante vectores y con la función cbind() la cual
une columnas, ejemplo:

vector1<-c(34,56,22)
vector2<-c(22,67,98)
vector3<-c(12,45,76)

matriz3<-matrix(cbind(vector1,vector2, vector3), nrow = 3, ncol = 3)

matriz3

## [,1] [,2] [,3]

## [1,] 34 22 12
## [2,] 56 67 45
## [3,] 22 98 76

Ahora bien, si lo que se busca es acomodar los vectores por fila, se hace uso de rbind(),
ejemplo:

Econ. Morales Alberto Alexis Adonai 18

Operaciones de matrices

matriz4<-matrix(rbind(vector1, vector2, vector3), nrow = 3, ncol = 3)

matriz4

## [,1] [,2] [,3]

## [1,] 34 56 22
## [2,] 22 67 98
## [3,] 12 45 76

Operaciones de matrices

Para realizar diversas operaciones de matrices, se debe tomar en cuenta que las matrices
a operar tienen que ser cuadráticas (mismas filas y columnas), ya que de no ser así las
operaciones tal vez no podrás realizarse.
Como ejemplos, se utilizarán las matrices 3 y 4 de los ejemplos anteriores.

Suma

matriz5<- matriz3+matriz4

matriz5

## [,1] [,2] [,3]

## [1,] 68 78 34
## [2,] 78 134 143
## [3,] 34 143 152

Resta

matriz6<- matriz3-matriz4

matriz6

## [,1] [,2] [,3]

## [1,] 0 -34 -10
## [2,] 34 0 -53
## [3,] 10 53 0

Econ. Morales Alberto Alexis Adonai 19

Transposición, determinante e inversa de una matriz

Multiplicación

matriz7<- matriz3%*%matriz4

matriz7

## [,1] [,2] [,3]

## [1,] 1784 3918 3816
## [2,] 3918 9650 11218
## [3,] 3816 11218 15864

Transposición, determinante e inversa de una matriz

En esta sección se demuestra como se pueden realizar estas operaciones en R.

Transpocisón

Se utiliza para cambiar de lugares de las filas por columnas y viceversa en una matriz,
en R, para realizar dicha acción se utiliza t(), ejemplo:

matriz4

## [,1] [,2] [,3]

## [1,] 34 56 22
## [2,] 22 67 98
## [3,] 12 45 76

matrizt<-t(matriz4)

matrizt

## [,1] [,2] [,3]

## [1,] 34 22 12
## [2,] 56 67 45
## [3,] 22 98 76

Econ. Morales Alberto Alexis Adonai 20

Transposición, determinante e inversa de una matriz

Determinante

Se utiliza para obtener una forma multilineal alternada de un cuerpo.Esta definición in-
dica una serie de propiedades matemáticas y generaliza el concepto de determinante
haciédolo aplicable en numerosos campos, para realizar dicha operación en R, se utiliza
det(), ejemplo:

matriz3

## [,1] [,2] [,3]

## [1,] 34 22 12
## [2,] 56 67 45
## [3,] 22 98 76

matrizdet<-det(matriz3)

matrizdet

## [1] -496

Inversa

La inversa de una matriz se utiliza por la necesidad de dividir matrices, ya que en el

algebra lineal o matricial, no existe tal operación, es por ello que se genera el concepto
de inversa.
Para realizar este proceso se requiere:

• Definir una matriz m=n elementos, que en pocas palabras, es cuadrática.

• Definir una matriz de diagonales (matriz de identidad), esto se realiza con el co-
mando diag(1,nrow=n), se debe definir la cantidad de 1 en la diagonal conforme al
valor de la matriz cuadrática a invertir.
• Se utiliza el comando solve()para resolver la matriz y obtener la iversa.

Ejemplo:

matriz3 #Es cuadrática 3X3

## [,1] [,2] [,3]

## [1,] 34 22 12
## [2,] 56 67 45
## [3,] 22 98 76

Econ. Morales Alberto Alexis Adonai 21

I<-diag(1, nrow = 3)

## [,1] [,2] [,3]

## [1,] 1 0 0
## [2,] 0 1 0
## [3,] 0 0 1

matriz3_inv<-solve(matriz3, I)

matriz3_inv

## [,1] [,2] [,3]

## [1,] -1.375000 1.000000 -0.375000
## [2,] 6.584677 -4.677419 1.729839
## [3,] -8.092742 5.741935 -2.108871

Marco de datos “data frame”

El marco de datos o data frame es uno de los objetos más utilizados porque permite
agrupar varios vectores con información de diferente tipo (númerico, alfanúmerico o lógi-
co) en un mismo objeto, la unica restricción es que todos los elementos deben contener
el mismo espacio o dimensión.
Para generar un marco de datos en R, se utiliará la función data.frame, ejemplo:

datos<-data.frame(edad,deporte,comic_fav)

datos

## edad deporte comic_fav

## 1 25 TRUE <NA>
## 2 40 TRUE Superman
## 3 39 FALSE Batman
## 4 46 FALSE <NA>
## 5 10 TRUE Shazam
## 6 11 TRUE Batman
## 7 14 TRUE Superman
## 8 23 FALSE <NA>
## 9 43 FALSE GreenLanter

Econ. Morales Alberto Alexis Adonai 22

¿Cómo se pueden extraer los elementos?

¿Cómo se pueden extraer los elementos?

Para poder recuperar las variables (columnas) contenidas en el marco de datos (data
frame), se pueden usar difrentes operadores: $, corchetes simples [] o corcchetes dobles
[[]].
Ejemplo:

datos$deporte # Con $

## [1] TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE FALSE

datos[,2] # Con corchete

## [1] TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE FALSE

datos[["deporte"]] # Con doble corchete

## [1] TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE FALSE

Listas

Las listas son otro tipo de objeto muy usado para almacenar objetos de diferente tipo,
aquí ya no importa la dimensión. Para poder crear una lista en R, solo basta con usar
list(), ejemplo:

lista<-list(E1=datos, E2=matriz7, E3=vector1)

lista

## $E1
## edad deporte comic_fav
## 1 25 TRUE <NA>
## 2 40 TRUE Superman
## 3 39 FALSE Batman
## 4 46 FALSE <NA>
## 5 10 TRUE Shazam
## 6 11 TRUE Batman
## 7 14 TRUE Superman
## 8 23 FALSE <NA>
## 9 43 FALSE GreenLanter

Econ. Morales Alberto Alexis Adonai 23

##
## $E2
## [,1] [,2] [,3]
## [1,] 1784 3918 3816
## [2,] 3918 9650 11218
## [3,] 3816 11218 15864
##
## $E3
## [1] 34 56 22

De igual forma, para extraer elementos se hace uso de los mismo operadores que con el
data frame:

lista$E1 #Con $

## edad deporte comic_fav

## 1 25 TRUE <NA>
## 2 40 TRUE Superman
## 3 39 FALSE Batman
## 4 46 FALSE <NA>
## 5 10 TRUE Shazam
## 6 11 TRUE Batman
## 7 14 TRUE Superman
## 8 23 FALSE <NA>
## 9 43 FALSE GreenLanter

lista[2] #Con un solo []

## $E2
## [,1] [,2] [,3]
## [1,] 1784 3918 3816
## [2,] 3918 9650 11218
## [3,] 3816 11218 15864

lista[[3]] #Con dos [[]]

## [1] 34 56 22

Econ. Morales Alberto Alexis Adonai 24

Carga de bases de datos desde archivos

En esta sección se mostrará cómo se pueden importar y exportar datos en el espacio de

trabajo de R, mediante algunas liberías tales como: foreing.
Es importante señalar que se pueden cargar datos de diferentes tipos de archivos o
extensiones, pueden ser varios, tales como: CSV; que es un tipo de datos separados por
comas, o bien, también se pueden cargar datos con el formato .DTA que refiere a un
espacio de almacenamiento de Stata.
Además de las dos extensiones mencionadas, R permite realizar lecturas de extensiones
.SAV pertenecientes a una memoria de almacenamiento de datos de SPSS.
Y por último, tenemos un tipo de archivo que tiene la extensión de .DBF es el formato
de datos utilizado originalmente por el producto dBase, siendo en la actualidad el forma-
to más comúnmente utilizado en DBMS (Sistema de Gestión de Base de Datos), para
computadoras personales.

Preparación para importar y exportar datos

Es importante tener en cuenta que hay muchas maneras de importar los datos en R, en
las cuales RStudio también juega un papel destacado, puesto a que con esta interfaz
podemos cargar datos con el uso de la botonera en vez de programar el código.
Para exportar datos, es necesario contar con un espacio o ruta definido, puesto a que se
utilizarán funciones de escritura donde se podrán almacenar los archivos exportados en
diferentes formatos. Cabe recalcar que solo se puede realizar mediante comando y no
hay una función dentro de la botonera de RStudio que permita realizar dicha acción.
Es por ello que a continuación se mostrarán las formas en las cuales podrás enrutar un
espacio de trabajo (en caso de no contar con un proyecto) o bien, se mostrará una forma
sutíl en la cual se pueden cargar y exportar las bases de una forma muy simple.

setwd()

La función setwd() permite enrutar un espacio de trabajo o una carpeta de donde se

harán lectura de diversos archivos que contenga este espacio, con ello podremos realizar
carga de datos de una forma más útil.
Para realizar lo anterior es necesario conocer la ruta de la carpeta donde se contienen
los archivos, en el caso de Windows en muy sencillo podemos obtener dicha ruta, solo
basta con dar click derecho y seleccionar “copiar dirección”.
Posterior a ello, se utilizará el comando en R:

Econ. Morales Alberto Alexis Adonai 25

Almacenando la base dentro de un proyecto

Figura 15: Copiando ruta

setwd("D:/GEM/Materiales extra/Introducción a R/Bases")

#Se reemplaza \ por /

Con lo anterior ya tendremos la facilidad de utilizar los comandos base de “read.csv()”

y solo tendremos que poner dentro del parentesis el nombre del archivo con la extensión
.csv.

Almacenando la base dentro de un proyecto

La otra manera de preparar todo, es mediante la creación de un proyecto, donde en este

se contenga todas las bases de datos a usar dentro de un análisis. Para esto se crea un
proyecto nuevo, con una ruta y nombre en especifico.

Figura 16: Proyecto nuevo

Posteriormente, se guardarán las bases dentro de la carpeta donde se encuentra el pro-

yecto:

Econ. Morales Alberto Alexis Adonai 26

Almacenando la base dentro de un proyecto

Figura 17: Carpeta del proyecto con las bases de datos

Una vez realizado lo anterior, cuando se este trabajando en RStudio, en la parte de

“Files” se podrán visualizar los archivos.

Figura 18: Archivos

Y nuevamente para llamar a una base, solo se ocuparán los comandos pertenecientes al
tipo de extensión que se requieren.

Econ. Morales Alberto Alexis Adonai 27

Importación de datos

A continuación, se mostarán en diversos subtemas los tipos de archivo que se pueden

cargar usando RStudio, así mismo como el método de carga ya sea mediante un espacio
previamente definido o con el uso de la botonera.

Comando read.delim(“clipboard”)

Una manera muy sencilla de cargar una base de datos, es mediante el comando
read.delim(“clipboard”) con este comando podemos (literalmente) copiar y pegar datos
traidos de una hoja de excel, de una archivo de Stata o SPSS.
Para realizar este paso, lo primero que se debe hacer es abrir el archivo de donde que-
remos sustraer los datos y copiar todo lo que queremos ingresar a R (con todo y cabece-
ras):

Figura 19: Copiando datos

Posteriormente de copiar los datos, se utiliza el comando:

base<-read.delim("clipboard")

head(base)

## CVE_ENT ENT CVE_MUN

## 1 1 Aguascalientes 1001

Econ. Morales Alberto Alexis Adonai 28

Comando read.delim(“clipboard”)

## 2 1 Aguascalientes 1001
## 3 1 Aguascalientes 1001
## 4 1 Aguascalientes 1001
## 5 1 Aguascalientes 1001
## 6 1 Aguascalientes 1001
## MUN POB_TOT
## 1 Aguascalientes 877190
## 2 Aguascalientes 797010
## 3 Aguascalientes 723043
## 4 Aguascalientes 643419
## 5 Aguascalientes 582827
## 6 Aguascalientes 506274

La desventaja de utilizar este tipo de comando es que en ocasiones (dependiendo del

formato de los datos), tomará los valores “pegados” como caracteres.

class(base$IM)

## [1] "NULL"

class(base$GM)

## [1] "NULL"

Econ. Morales Alberto Alexis Adonai 29

Lectura de archivos CSV.

Lectura de archivos CSV.

Para cargar una base de datos con la extensión o formato CSV, se utiliza el comando
read.csv(“nombre.csv”) con lo cual podremos cargar los datos de dicha base en es-
ta extensión, sin embargo hay dos maneras de realizarla: 1) Generando el espacio de
trabajo o enrutando y 2) Con el uso de la botonera.

Cargando bases CSV con el espacio previamente establecido

Para cargar una base de esta manera, se debe realizar lo que previamente se realizó
en este documento (ya sea usando setwd() o un proyecto con lo archivos a cargar),
entonces, lo único que se debe realizar es simplemente asignarle un nombre a la base y
cargar el archivo:

base1<-read.csv("Bases/MarginaciónMun.csv",
check.names = F)
head(base1[1:3])

## CVE_ENT ENT CVE_MUN

## 1 1 Aguascalientes 1001
## 2 1 Aguascalientes 1001
## 3 1 Aguascalientes 1001
## 4 1 Aguascalientes 1001
## 5 1 Aguascalientes 1001
## 6 1 Aguascalientes 1001

class(base1)

## [1] "data.frame"

base2<-read.csv("Bases/concentradohogar.csv")
head(base2[1:3])

## folioviv foliohog ubica_geo

## 1 100013605 1 1001
## 2 100013606 1 1001
## 3 100017801 1 1001
## 4 100017802 1 1001
## 5 100017803 1 1001
## 6 100017804 1 1001

Econ. Morales Alberto Alexis Adonai 30

Lectura de archivos CSV.

class(base2)

## [1] "data.frame"

Uso de botonera

Otra manera de cargar la base, es mediante la botonera de RStudio. Para ello, tendremos
que irnos la parte de “import Dataset” y dar click en “From text”:

Figura 20: Importando datos

Posterior a ello, aparecera un menu, en el cual vamos a buscar la ruta del archivo:

Figura 21: Importando datos

Una vez seleccionado el archivo y al ejecutar, se desplegará una ventana como la si-
guiente:

Econ. Morales Alberto Alexis Adonai 31

Lectura de archivos DTA.

Figura 22: Datos importados

Lectura de archivos DTA.

Para cargar una base de datos con la extensión o formato DTA, se utiliza el comando
read_dta(“nombre.dta”) de la libería haven con lo cual podremos cargar los datos de
dicha base en esta extensión, sin embargo hay dos maneras de realizarla: 1) Generando
el espacio de trabajo o enrutando y 2) Con el uso de la botonera.

Cargando bases DTA con el espacio previamente establecido

Para cargar una base de esta manera, se debe realizar lo que previamente se realizó
en este documento (ya sea usando setwd() o un proyecto con lo archivos a cargar),
entonces, lo único que se debe realizar es simplemente asignarle un nombre a la base y
cargar el archivo:

library(haven)

baseE<-read_dta("Bases/EncuestaGenero.dta")
head(baseE[1:3])

## # A tibble: 6 x 3
## con1 edo muni
## <dbl> <dbl> <dbl>
## 1 1 2 2
## 2 2 2 2
## 3 3 2 2
## 4 4 2 2
## 5 5 2 2
## 6 6 2 2

Econ. Morales Alberto Alexis Adonai 32

Lectura de archivos DTA.

class(baseE)

## [1] "tbl_df" "tbl" "data.frame"

base2d<-read_dta("Bases/concentradohogar.dta")
head(base2d[1:3])

## # A tibble: 6 x 3
## folioviv foliohog ubica_geo
## <chr> <chr> <chr>
## 1 0100013605 1 01001
## 2 0100013606 1 01001
## 3 0100017801 1 01001
## 4 0100017802 1 01001
## 5 0100017803 1 01001
## 6 0100017804 1 01001

class(base2d)

## [1] "tbl_df" "tbl" "data.frame"

Uso de botonera

Otra manera de cargar la base, es mediante la botonera de RStudio. Para ello, tendremos
que irnos la parte de “import Dataset” y dar click en “From Stata”:

Figura 23: Importando datos

Posterior a ello, aparecera un menu, en el cual vamos a buscar la ruta del archivo:
Una vez seleccionado el archivo y al ejecutar, se desplegará una ventana como la si-
guiente:

Econ. Morales Alberto Alexis Adonai 33

Lectura de archivos DTA.

Figura 24: Importando datos

Figura 25: Datos importados

Econ. Morales Alberto Alexis Adonai 34

Lectura de archivos SPSS.

Lectura de archivos SPSS.

Para cargar una base de datos con la extensión o formato DTA, se utiliza el comando
read_sav(“nombre.sav”) de la libería haven con lo cual podremos cargar los datos de
dicha base en esta extensión, sin embargo hay dos maneras de realizarla: 1) Generando
el espacio de trabajo o enrutando y 2) Con el uso de la botonera.

Cargando bases SAV (SPSS) con el espacio previamente establecido

Para cargar una base de esta manera, se debe realizar lo que previamente se realizó
en este documento (ya sea usando setwd() o un proyecto con lo archivos a cargar),
entonces, lo único que se debe realizar es simplemente asignarle un nombre a la base y
cargar el archivo:

library(haven)

baseS<-read_sav("Bases/EncuestaGenero.sav")
head(baseS[1:3])

## # A tibble: 6 x 3
## con1 edo muni
## <dbl> <dbl> <dbl>
## 1 1 2 2
## 2 2 2 2
## 3 3 2 2
## 4 4 2 2
## 5 5 2 2
## 6 6 2 2

class(baseS)

## [1] "tbl_df" "tbl" "data.frame"

base2s<-read_sav("Bases/concentradohogar.sav")
head(base2s[1:3])

## # A tibble: 6 x 3
## folioviv foliohog ubica_geo
## <chr> <chr> <chr+lbl>
## 1 0100013605 1 01001 [Ags., Aguascalientes]
## 2 0100013606 1 01001 [Ags., Aguascalientes]
## 3 0100017801 1 01001 [Ags., Aguascalientes]

Econ. Morales Alberto Alexis Adonai 35

Lectura de archivos SPSS.

## 4 0100017802 1 01001 [Ags., Aguascalientes]

## 5 0100017803 1 01001 [Ags., Aguascalientes]
## 6 0100017804 1 01001 [Ags., Aguascalientes]

class(base2s)

## [1] "tbl_df" "tbl" "data.frame"

Uso de botonera

Otra manera de cargar la base, es mediante la botonera de RStudio. Para ello, tendremos
que irnos la parte de “import Dataset” y dar click en “From SPSS”:

Figura 26: Importando datos

Posterior a ello, aparecera un menu, en el cual vamos a buscar la ruta del archivo:

Figura 27: Importando datos

Una vez seleccionado el archivo y al ejecutar, se desplegará una ventana como la si-
guiente:

Econ. Morales Alberto Alexis Adonai 36

Lectura de archivos EXCEL.

Figura 28: Datos importados

Lectura de archivos EXCEL.

Para la lecutra de archivos en Excel (extensión .xlsx), se debe contar con dos paque-
terias: readxl y openxlsx. Además se debe trabajar con un espacio definido, es decir,
ya debe existir un enrutamiento de una carpeta donde se contengan los archivos con la
extensión xlsx.

Librería readxl.

Para ejemplificar el uso de readxl, se tiene que utilizar el comando read_excel(“nombre-

xlsx”) y posteriormente cargará la base de datos en este formato:

# install.packages("readxl",
# dependencies=TRUE)

library(readxl)

basexlsx<-read_excel("Bases/concentradohogar.xlsx")

head(basexlsx[1:3])

## # A tibble: 6 x 3
## folioviv foliohog ubica_geo
## <dbl> <dbl> <dbl>
## 1 100013605 1 1001
## 2 100013606 1 1001
## 3 100017801 1 1001
## 4 100017802 1 1001
## 5 100017803 1 1001
## 6 100017804 1 1001

Econ. Morales Alberto Alexis Adonai 37

Lectura de archivos DBF

class(basexlsx)

## [1] "tbl_df" "tbl" "data.frame"

Librería openxlsx.

Para ejemplificar el uso de openxlsx, se tiene que utilizar el comando read_excel(“nombre-

xlsx”) y posteriormente cargará la base de datos en este formato:

# install.packages("readxl",
# dependencies=TRUE)

library(openxlsx)

basexlsx2<-read.xlsx("Bases/MarginaciónMun.xlsx")

head(basexlsx2[1:3])

## CVE_ENT ENT CVE_MUN

## 1 1 Aguascalientes 1001
## 2 1 Aguascalientes 1001
## 3 1 Aguascalientes 1001
## 4 1 Aguascalientes 1001
## 5 1 Aguascalientes 1001
## 6 1 Aguascalientes 1001

class(basexlsx2)

## [1] "data.frame"

Lectura de archivos DBF

Para poder leer esta clase de archivos (en DBF) es necesario contar con la paqueteria
foreing, donde en ella se puede usar el comando read.dbf y en seguida se escribe el
nombre del archivo en dicha extensión para poder realizar la carga del mismo.

Econ. Morales Alberto Alexis Adonai 38

Cargando bases DBF con el espacio previamente establecido

Para cargar una base en dicha extensión, no se puede usar la botonera, por lo que la
definición de un espacio es la unica manera, para ello se debe realizar lo que previamente
se realizó en este documento (ya sea usando setwd() o un proyecto con lo archivos a
cargar), entonces, lo único que se debe realizar es simplemente asignarle un nombre a
la base y cargar el archivo:

library(foreign)

base3e<-read.dbf("Bases/concentradohogar.dbf")
head(base3e[1:3])

## folioviv foliohog ubica_geo

## 1 0100013605 1 01001
## 2 0100013606 1 01001
## 3 0100017801 1 01001
## 4 0100017802 1 01001
## 5 0100017803 1 01001
## 6 0100017804 1 01001

class(base3e)

## [1] "data.frame"

Exportación de datos

En este tema, se mostrarán las formas en como se pueden exportar bases de datos en
formato data.frame solo en las siguientes extensiones: .csv, .dta, .sav y RData. Para
elaborar este proceso, se requiere definir un espacio de trabajo, donde se almacenen las
bases exportadas, para ello se recomienda elaborar una carpeta dentro del proyecto, por
lo que con R podemos realizarlo de una manera sencilla.
Para crear una carpeta, basta y sobra con usar dir.create y con la / se indica el nombre
de dicha carpeta, tal y como se mostrará a continuación:

dir.create("Bases/bases_exportadas")

Ahora, para cambiar el directorio a esa carpeta y ahí almacenar las bases importadas,
se utilizará setwd enseguida de paste0 junto con getwd para copiar la ruta actual del
proyecto y al ultimo solo se anexa /bases_exportadas y como resultado todo lo que se
exporte se encontrará en dicha carpeta.

Econ. Morales Alberto Alexis Adonai 39

Creado data.frame para la elaboración de ejemplos

Creado data.frame para la elaboración de ejemplos

Supongamos que hay una a encuesta de20 personas, donde las preguntas se encuentran
en una escala likert (datos de 1 a 5), la información de alamacena como vectores y al
final se elabora un data.frame de dichos datos:

ID<-c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20)
Nombre<-c("Juan", "Carlos", "Susana", "Javier", "Valeria",
"Alexis", "Alfredo", "Erandy", "Melissa","Jose",
"Diana", "Alin", "Andrea", "Luis", "Raymundo",
"Samuel","Armando", "Magdalena", "Joselin", "Ray")
Pregunta1<-c(1,4,5,2,3,1,1,2,4,5,3,1,2,5,3,1,5,3,5,3)
Pregunta2<-c(4,4,5,2,3,1,2,5,2,3,1,4,2,5,3,1,2,5,4,3)
Pregunta3<-c(2,3,5,1,4,2,2,1,3,5,5,3,1,4,2,2,4,5,3,1)

Encuesta<-data.frame(cbind(ID, Nombre, Pregunta1,

Pregunta2, Pregunta3))

Encuesta

## ID Nombre Pregunta1 Pregunta2 Pregunta3

## 1 1 Juan 1 4 2
## 2 2 Carlos 4 4 3
## 3 3 Susana 5 5 5
## 4 4 Javier 2 2 1
## 5 5 Valeria 3 3 4
## 6 6 Alexis 1 1 2
## 7 7 Alfredo 1 2 2
## 8 8 Erandy 2 5 1
## 9 9 Melissa 4 2 3
## 10 10 Jose 5 3 5
## 11 11 Diana 3 1 5
## 12 12 Alin 1 4 3
## 13 13 Andrea 2 2 1
## 14 14 Luis 5 5 4
## 15 15 Raymundo 3 3 2
## 16 16 Samuel 1 1 2
## 17 17 Armando 5 2 4
## 18 18 Magdalena 3 5 5
## 19 19 Joselin 5 4 3
## 20 20 Ray 3 3 1

Econ. Morales Alberto Alexis Adonai 40

Exportar en salida .csv

Exportar en salida .csv

Para elaborar dicha salida, se requiere un data.frame ó marco de datos, ya sea de

alguno que se haya manipulado previamente o bien, el vacio manual de datos y almace-
nados en dicho formato.
Una vez contado con lo anterior, se procede a exportar en csv con la función write.csv,
la cual solicita el nombre del data.frame que se desea exportar y file para la salida con
el nombre deseado del formato .csv, a continuación se muestra dicho proceso.

write.csv(
Encuesta,
file="D:/GEM/Materiales extra/Introducción a R/Bases/bases_exportadas/Encu
)

Exportar en salida .DTA

Para elaborar dicha salida, se requiere un data.frame ó marco de datos, ya sea de

alguno que se haya manipulado previamente o bien, el vacio manual de datos y almace-
nados en dicho formato.
Una vez contado con lo anterior, se procede a exportar en .DTA con la función write_dta
de la libreria haven, la cual solicita el nombre del data.frame que se desea exportar y la
ruta para la salida con el nombre deseado del formato .dta, a continuación se muestra
dicho proceso.

library(haven)

write_dta(Encuesta,
"D:/GEM/Materiales extra/Introducción a R/Bases/bases_exportadas/E

Exportar en salida .SAV

Para elaborar dicha salida, se requiere un data.frame ó marco de datos, ya sea de

alguno que se haya manipulado previamente o bien, el vacio manual de datos y almace-
nados en dicho formato.
Una vez contado con lo anterior, se procede a exportar en .DTA con la función write_sav
de la libreria haven, la cual solicita el nombre del data.frame que se desea exportar y la
ruta para la salida con el nombre deseado del formato .sav, a continuación se muestra
dicho proceso.

Econ. Morales Alberto Alexis Adonai 41

Exportar en salida .RData

library(haven)

write_sav(Encuesta,
"D:/GEM/Materiales extra/Introducción a R/Bases/bases_exportadas/E

Exportar en salida .RData

Para elaborar dicha salida, se requiere un data.frame ó marco de datos, ya sea de

alguno que se haya manipulado previamente o bien, el vacio manual de datos y almace-
nados en dicho formato.
Una vez contado con lo anterior, se procede a exportar en .DTA con la función save de
la libreria base, la cual solicita el nombre del data.frame que se desea exportar y la ruta
para la salida con el nombre deseado del formato .RData, a continuación se muestra
dicho proceso.

save(Encuesta,
file="D:/GEM/Materiales extra/Introducción a R/Bases/bases_exportadas/E

Econ. Morales Alberto Alexis Adonai 42